编译：董俊 来源：techcrunch
如何将人工智能、机器学习应用到医疗环境中？国外医疗行业一大批创新型科技公司兴起。
据外媒称，在人工智能（AI）和机器学习（ML）的发展下，其医疗保健创新的步伐正在加速。很多卫生机构能够将当前许多基于笔、纸的操作逐渐走向数字化，改变了以往缓慢的服务交付速度。
到目前为止，AI和ML在医疗保健领域的应用使该行业在这些领域承担了一些最大的挑战：
个人遗传学
药物发现
疾病识别和管理
在对每个区域内存在的机会进行仔细评估时，很明显，风险很高。因此，那些首先进行可持续产品差异化和增值的市场将受益匪浅。
1、迎来个人遗传学的新时代
AI和ML在遗传学中的最重要的应用是理解DNA如何影响生命。虽然最近几年看到人类基因组的完整测序和掌握读取和编辑它的能力，我们仍然不知道大多数基因组实际上告诉我们：基因与其他变量（例如食物，环境和身体类型）结合起来，不断地发生作用。
如果我们要理解什么影响生命和生物学，我们必须首先理解DNA的语言。这就是ML算法的出现和系统的出现，如Google的Deep Mind和IBM的Watson。现在，比以往任何时候都更有可能消化大量的数据（例如患者记录，临床记录，诊断图像，治疗计划），并在短时间内执行模式识别，否则我们将花费一生的时间完成这些数据的数据的识别和消化。
像Deep Genomics这样的企业在这个领域正在取得有意义的进展。该公司正在开发解释DNA的能力，通过创建一个预测遗传变异的分子效应的系统。他们的数据库能够解释成千上万的遗传变异如何影响遗传密码。
该技术必须能够访问大量的数据，以便更好地制定个人的生活方式改变。
一旦更好地了解人类DNA，就有机会进一步向个人提供个性化的洞察，基于他们的特殊生物处置。这种趋势表明了“个性化遗传学”的新时代，个人通过获得关于他们自己的身体的前所未有的信息能够完全控制他们的健康。
消费者遗传学公司，如23andMe和Rthm，代表了这一领域的几个先行者。他们开发了消费者化的遗传诊断工具，帮助个体了解他们的遗传组成。使用Rthm，用户可以更进一步，利用从他们的遗传测试产生的见解，通过移动应用程序实现对他们日常生活的变化，所有这些都是实时的。
与AI / ML的任何应用一样，该技术必须能够访问大量数据，以便更好地规划个人的生活方式改变。专注于掌握个人遗传学的交付的初创公司正在通过考虑以下主要活动来做到这一点，如日本研究员Takashi Kido所强调的：
获得可靠的个人基因组数据和遗传风险预测；
进行行为模式分析人们对个人基因组的态度，以确定什么样的信息是有价值的/有帮助的，什么类型的信息是有害的；
数据挖掘科学发现；
第二点是有趣的，因为不是关于患者的生物倾向的所有遗传信息都是有生产力的。能够以有利于心理健康的方式控制信息至关重要。
2、超靶向药物是未来
AI / ML在医疗保健中的另一个令人兴奋的应用是在药物发现中降低成本和时间。新药通常需要12~14年才能上市，平均成本徘徊在26亿美元左右。在药物发现过程中，针对不同细胞类型，遗传突变和与特定疾病相关的其他病症的每种可能组合测试化合物。
由于这样做的任务是耗时的，这限制了科学家可以看到攻破的实验或疾病的数量。ML算法可以允许计算机“学习”如何基于他们先前处理或选择（并且在某些情况下甚至进行）需要进行什么实验的数据进行预测。相似类型的算法也可用于预测特定化合物对人类的副作用，加速审批。
AI / ML在医疗保健领域的应用正在重塑行业，使以前不可能的事情成为一个有形的现实。
位于旧金山的初创公司Atomwise正在寻求在药物开发过程中用超级计算机替换试管。该公司使用ML和3D神经网络筛选分子结构数据库，以发现治疗，帮助发现新的化合物对疾病的有效性，并确定现有的药物可以重用以治疗另一种疾病。
2015年，该公司应用其解决方案，发现了两种可显着降低埃博拉病毒感染性的新药物。分析在一天内完成 ，而不是多年，这是常见的使用传统的药物开发方法。Insilico医学最近的一项研究巩固了Atomwise正在采取的方法，表明深层神经网络可用于预测药物的药理特性和药物再利用。
Berg Health，一家位于波士顿的生物制药公司，从不同的角度攻击药物发现。Berg使用AI来确定患者的生物数据，以确定为什么一些人可以与疾病共存，然后应用这种洞察来改善当前的治疗或创造新的治疗。
BenevolentAI，一家位于伦敦的创业公司，旨在通过利用AI来寻找科学文献中的模式来加速药物发现过程。因为每30秒就会发布一次新的医疗保健相关研究，但事实上其中只有一小部分全球生成的科学信息被科学家实际使用， BenevolentAI能够对大量数据进行分析，为专家提供他们所需的部分，大大加快药物发现和研究。最近，该公司发现了两种可能用于阿尔茨海默病的潜在化合物，吸引制药公司的注意。
随着ML和AI的进展继续，药物发现的未来看起来很有希望。 最近的一份Google Research研究报告指出，使用各种来源的数据可以更好地确定哪些化合物将作为“多种疾病的有效药物治疗”，以及机器学习如何通过大规模测试数百万种化合物来节省大量时间。
3、发现和管理新疾病
大多数疾病远不止是简单的基因突变。尽管医疗保健系统产生大量（非结构化）数据，这正在逐渐提高质量，我们以前没有必要的硬件和软件来分析它并产生有意义的洞察。
疾病诊断是一个复杂的过程，涉及多种因素，从患者皮肤的质地到他或她在一天消耗的糖量。在过去的2000年中，医学已经通过症状检测来治疗，其中根据患者的症状诊断患者的疾病（例如，如果你有发热和鼻塞，你很可能患有流感）。
但通常可检测的症状的到来太晚了，特别是当处理诸如癌症和阿尔茨海默病的疾病时。有了机器学习，希望疾病的微弱特征可以在可检测的症状之前发现，增加存活的可能性（有时高达90％）和治疗选择。
机会继续增长，并激励医疗从业者找到新的方法，以提高我们的健康和福祉。
Freenome，一家位于旧金山的创业公司，创建了一个自适应基因组引擎，帮助动态检测血液中的疾病特征。为了做到这一点，公司使用你的freenome - 浮动在你的血液中的遗传物质的动态收集，随着时间的推移不断变化，并提供一个基因组温度计，你是你的成长，生活和年龄。
当疾病的诊断和治疗计划来看，公司如 Enlitic都集中在通过耦合与医疗数据深度学习提炼数十亿的临床病例可操作的见解改善患者的预后。IBM的Watson正与纽约的Memorial Sloan Kettering合作，消化大量癌症患者的数据，以及数十年来使用的治疗方法，为医生处理独特的癌症病例提供建议。
在伦敦，Google的Deep Mind正在通过Moorfields眼科医院的医疗记录进行挖掘，分析眼睛的数字扫描，以帮助医生更好地了解和诊断眼病。同时，Deep Mind还有一个项目，帮助患有颈部和头部癌症的患者进行放射治疗绘图，为肿瘤科医生节省了数小时的计划，使他们能够专注于更多的面向患者护理的任务。
这是什么意思呢？
AI / ML在医疗保健领域的应用正在重塑行业，使以前不可能的事情成为一个有形的现实。
为了使AI / ML在医疗保健中变得普遍，持续获取相关数据对于成功至关重要。系统可以摄取的专有数据越多，它将变得“更聪明”。因此，公司将竭尽全力收购数据。例如，IBM于2016年2月 以26亿美元的价格收购了医疗保健分析公司Truven Health，主要是为了获得他们的数据和见解库。此外，他们最近与美敦力合作，通过获取实时胰岛素数据，进一步提高沃森对糖尿病意识的能力。
随着数据变得更加丰富，技术不断发展，机会不断增长，激励医疗从业者寻找新的方法来提高我们的健康和福祉。
